Maps

Es scheint so, als ob im Tessin mehr über 90 Jährige Leben verglichen zu den anderen Sprachregionen. Dies ist 1888 und 1900 ersichtlich. Das mehr über 90 Jährige in den Alpinenregionen leben ist auf den Karten nicht ersichtlich.

Difference Language regions

• Poisson Regression
• Da die Anzahl der Ü90 in 3 Datensätze unterschiedlich sind, habe ich die Regression auch noch für den UniGe Datensatz durchgeführt (dort weiss ich die Sprachregionen).
• Im Datensatz “AgeDistribution” habe ich nur die Altersverteilung der gesamten Schweiz, aber nicht nach Sprachregionen.
• Die Anzahl der Ü90 im AgeDistrubtion file erscheint mir verglichen zu dem “Original” Datensatz und dem UniGe Datensatz ein wenig zu hoch.
• Die Gesamtbevölkerung erscheint mir wiederrum im UniGe Datensatz zu niedrig
• Für die Berechnung des “Original” Datensatzes habe ich die beoachteten Werte aus dem Datensatz genommen und die Bevölkerung nach Sprachregionen aus dem Datensatz “Population_district_1860_2008.xlsx” (Ich weiss nicht, wo der herkommt. Habe ihn für mein UniGe Projekt benutzt)
• Für die UniGe Daten von 1888, sind alle Daten aus der Volkszählung

## 
## Call:
## glm(formula = Observed ~ Language, family = "poisson", data = data.model, 
##     offset = log(Pop))
## 
## Deviance Residuals: 
## [1]  0  0  0
## 
## Coefficients:
##                 Estimate Std. Error  z value Pr(>|z|)    
## (Intercept)     -8.82735    0.05822 -151.615  < 2e-16 ***
## LanguageFrench   0.33593    0.09818    3.422 0.000623 ***
## LanguageItalian  0.71495    0.17235    4.148 3.35e-05 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 2.2284e+01  on 2  degrees of freedom
## Residual deviance: 1.5543e-15  on 0  degrees of freedom
## AIC: 25.919
## 
## Number of Fisher Scoring iterations: 2

## 
## Call:
## glm(formula = Observed_UniGe ~ Language, family = "poisson", 
##     data = data.model, offset = log(Pop_UniGe))
## 
## Deviance Residuals: 
## [1]  0  0  0
## 
## Coefficients:
##                 Estimate Std. Error  z value Pr(>|z|)    
## (Intercept)     -8.86270    0.05944 -149.094  < 2e-16 ***
## LanguageFrench   0.61380    0.09668    6.349 2.17e-10 ***
## LanguageItalian  0.80160    0.16892    4.745 2.08e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance:  4.9467e+01  on 2  degrees of freedom
## Residual deviance: -7.1054e-15  on 0  degrees of freedom
## AIC: 26.001
## 
## Number of Fisher Scoring iterations: 2

## 
## Call:
## glm(formula = Observed ~ Language, family = "poisson", data = data.model, 
##     offset = log(Pop))
## 
## Deviance Residuals: 
## [1]  0  0  0
## 
## Coefficients:
##                 Estimate Std. Error  z value Pr(>|z|)    
## (Intercept)     -8.75803    0.05270 -166.172  < 2e-16 ***
## LanguageFrench   0.10628    0.09607    1.106    0.269    
## LanguageItalian  0.78961    0.15366    5.139 2.77e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 2.1807e+01  on 2  degrees of freedom
## Residual deviance: 4.5519e-14  on 0  degrees of freedom
## AIC: 26.319
## 
## Number of Fisher Scoring iterations: 2

Beide Jahre zusammen

Zwischen den Jahren 1888 und 1900 gibt es keinen signifikanten Unterschied zwischen der Anzahl der Ü90 Jährigen.

## [[1]]
## 
## Call:
## glm(formula = Observed ~ Year, family = "poisson", data = data.model, 
##     offset = log(Pop))
## 
## Deviance Residuals: 
##       1        2        3        4        5        6  
##  2.3818  -2.4896   3.2269   0.3601  -1.4841   4.4131  
## 
## Coefficients:
##              Estimate Std. Error  z value Pr(>|z|)    
## (Intercept) -8.685816   0.045038 -192.856   <2e-16 ***
## Year1900     0.004993   0.061681    0.081    0.935    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 44.098  on 5  degrees of freedom
## Residual deviance: 44.092  on 4  degrees of freedom
## AIC: 88.331
## 
## Number of Fisher Scoring iterations: 4
## 
## 
## [[2]]
## 
## Call:
## glm(formula = Observed ~ Year + Language, family = "poisson", 
##     data = data.model, offset = log(Pop))
## 
## Deviance Residuals: 
##       1        2        3        4        5        6  
##  1.0678  -0.5870  -0.4640  -1.0262   0.5426   0.4322  
## 
## Coefficients:
##                  Estimate Std. Error  z value Pr(>|z|)    
## (Intercept)     -8.793364   0.051106 -172.060  < 2e-16 ***
## Year1900         0.006594   0.061682    0.107  0.91486    
## LanguageFrench   0.216323   0.068566    3.155  0.00161 ** 
## LanguageItalian  0.755309   0.114695    6.585 4.54e-11 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for poisson family taken to be 1)
## 
##     Null deviance: 44.0984  on 5  degrees of freedom
## Residual deviance:  3.2346  on 2  degrees of freedom
## AIC: 51.473
## 
## Number of Fisher Scoring iterations: 3